فهرست نشریات علمی دسترسی آزاد ایران

مقدمه و اهداف: با گسترش روزافزون خدمات درمان، تقلب در نظام‌های بیمه درمانی به یک چالش جدی تبدیل شده است. پژوهش حاضر با هدف طراحی و توسعه یک چارچوب هوشمند و ماژولار برای کشف تقلب در بیمه درمانی انجام شده است. این چارچوب به‌گونه‌ای طراحی شده که مستقل از نوع خدمت یا بازیگر، توانایی شناسایی رفتارهای سوءاستفاده‌گرانه و تقلبی را داشته باشد و بتواند با محیط‌های پیچیده و پویا سازگار شود. هدف اصلی، ارائه راهکاری منعطف برای ارتقای دقت در تشخیص تقلب و کاهش خطاهای انسانی در فرآیند کشف تقلب بیمه‌ درمان است.روش‌ها: چارچوب پیشنهادی شامل چهار ماژول کلیدی است: نخست، ماژول دانش‌محور که با بهره‌گیری از دیدگاه‌های کارشناسان بیمه و پزشکی، یک فریم‌ورک برای شبیه‌سازی فرایند تشخیص تقلب ایجاد می‌شود تا تیم پزشکی-بیمه بتواند رفتارهای غیرعادی را بر اساس رفتار بازیگران مختلف توصیف و نمایش دهد. دوم، یک انبار داده دو مرحله‌ای برای پردازش کارآمد داده‌های حجیم بیمه طراحی شده است؛ در انبار داده مرحله اول فرایند استخراج، تبدیل و بارگذاری داده‌های ادعاهای بیمه‌ای انجام می‌شود، نواقص داده‌ای اصلاح و ناسازگاری‌ها و خطاها از بین می‌روند تا داده‌ها برای استخراج ویژگی‌ها لازم برای کشف انواع تقلب مناسب شوند. در انبار داده مرحله دوم ویژگی‌های مرتبط با تقلب با همکاری متخصصان استخراج و انتخاب می‌گردند. فهرستی از بیست ویژگی مؤثر برای تشخیص تقلب استخراج و مستندسازی شد که برای هر نوع تقلب، اطلاعات مربوط به بازیگران، کالاها و ویژگی‌های مرتبط را دربرمی‌گیرد. سوم، موتور کشف تقلب براساس یک الگوریتم پیشنهادی موسوم به K-IF است که ابتدا با استفاده از الگوریتم جنگل ایزوله (IF) داده‌ها را خوشه‌بندی کرده و سپس با الگوریتم K-Means نمونه‌های مشکوک را شناسایی می‌کند. چهارم، ابزارهای تجسم و داشبورد مدیریتی برای تحلیل تعاملی و به‌روزرسانی پویا توسط کاربران طراحی و ارائه می‌شود.یافته‌ها: نتایج آزمایش‌های انجام‌شده بر روی مجموعه داده‌های برچسب‌دار نشان می‌دهد که الگوریتم پیشنهادی با بهره‌گیری از قدرت تفکیک IF و دقت خوشه‌بندی K-Means، عملکرد بهتری از نظر شاخص‌های عملکردی و زمان محاسباتی نسبت به الگوریتم‌های رایج مانند LOF، OCSVM، EE، DBSCAN، AE  و K-Means داشته است. همچنین، اجرای این الگوریتم بر روی داده‌های واقعی شرکت بیمه دی نشان داد که وابستگی به نرخ آلودگی کاهش یافته و دقت در شناسایی نقاط لبه‌ای افزایش یافته است. در نهایت، این چارچوب به‌صورت یک بسته نرم‌افزاری برای شرکت‌های بیمه خصوصی توسعه یافته و با ارائه ابزارهای تحلیلی پیشرفته، نقش مؤثری در ارتقای تصمیم‌گیری و کاهش نیاز به مداخله انسانی ایفا می‌کند.نتیجه‌گیری: پژوهش حاضر نشان می‌دهد که موفقیت در کشف تقلب‌های بیمه‌ای به‌طور مستقیم به کیفیت و دقت ویژگی‌های استخراج‌شده از داده‌های تراکنش‌های درمانی وابسته است. هم‌افزایی میان داده‌های جمعیتی، مالی و خدماتی نقش مهمی در افزایش حساسیت مدل‌های یادگیری ماشین نسبت به رفتارهای ناهنجار ایفا می‌کند، در حالی که کمبود داده‌های دقیق و ساختارمند یکی از چالش‌های اساسی در توسعه نرم‌افزارهای تشخیص تقلب محسوب می‌شود. چارچوب توسعه‌یافته به‌صورت بسته نرم‌افزاری برای مدیریت ادعاهای بیمه درمانی طراحی شده و با ترکیب مدل‌های یادگیری ماشین، معماری ماژولار و رابط کاربری مدرن، قابلیت گسترش‌پذیری بالا و پاسخگویی سریع به نیازهای سازمانی را فراهم می‌آورد و پیشنهاد می‌شود مدیران شرکت‌های بیمه این راهکار را به‌عنوان بخشی از استراتژی دیجیتال‌سازی مدیریت ادعاها به کار بگیرند تا با ادغام با سامانه‌های موجود و استفاده از پایگاه داده امن و داشبوردهای تعاملی، بهبود کارایی، شفافیت و کاهش هزینه‌های تقلب را تحقق بخشند.